韓高峰

（安徽文達信息工程學院計算機工程學院，安徽合肥230000）

隨著異構網(wǎng)絡規(guī)模的不斷擴大，異構網(wǎng)絡中多源目標數(shù)據(jù)數(shù)量也逐漸增多，因此，需對異構網(wǎng)絡多源目標數(shù)據(jù)進行可視化重構和融合跟蹤識別，保證網(wǎng)絡的穩(wěn)定性[1]。通常，在對異構網(wǎng)絡中多源目標數(shù)據(jù)進行融合跟蹤識別的過程中，需建立異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤模型，結合大數(shù)據(jù)挖掘和信息重構方法進行異構網(wǎng)絡多源目標數(shù)據(jù)融合檢測和特征分析，從而提高對異構網(wǎng)絡多源目標數(shù)據(jù)的檢測跟蹤識別能力[2]。而相關的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法研究受到人們的極大關注。一般來說，對異構網(wǎng)絡中多源目標數(shù)據(jù)的融合跟蹤識別是建立在對數(shù)據(jù)融合檢測和特征分析的基礎上的，這一過程能夠提高對異構網(wǎng)絡多源目標數(shù)據(jù)的檢測識別能力，從而提高異構網(wǎng)絡多源目標數(shù)據(jù)的檢索和訪問能力[3]。

目前，已有專家學者在多源目標數(shù)據(jù)跟蹤識別領域提出了一些較為成熟的研究結果，如關聯(lián)特征檢測方法、模糊C均值聚類分析方法以及K均值聚類分析方法等等。另外，文獻[4]通過提取多層卷積特征使其表征的目標數(shù)據(jù)更加全面，并計算數(shù)據(jù)的相關性響應，再將所有歷史數(shù)據(jù)和實時數(shù)據(jù)響應中的目標位置進行動態(tài)融合，從而實現(xiàn)對目標數(shù)據(jù)的定位和動態(tài)追蹤。文獻[5]利用融合重檢測機制跟蹤網(wǎng)絡目標數(shù)據(jù)，在訓練階段將相關濾波融入網(wǎng)絡，通過端到端訓練提取多源數(shù)據(jù)特征；在跟蹤階段利用殘差值連接融合不同源數(shù)據(jù)，并引入重檢測機制實現(xiàn)實時跟蹤。然而，現(xiàn)有方法對異構網(wǎng)絡多源目標數(shù)據(jù)進行融合跟蹤時存在自適應性不好、計算復雜度較高、數(shù)據(jù)跟蹤能力差等問題。基于此，本文提出基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法。

1 數(shù)據(jù)的分布式存儲結構模型及多層次融合

1.1 目標數(shù)據(jù)的分布式存儲結構模型

為了實現(xiàn)異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤和優(yōu)化識別，首先構建異構網(wǎng)絡多源目標數(shù)據(jù)分布式存儲結構模型，假設Nk(k=1,2,…,l)表示第k層異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤分布集的個數(shù)，表示異構網(wǎng)絡多源目標數(shù)據(jù)在數(shù)據(jù)采樣中第k層第i個節(jié)點的活躍度[6]，是第k層異構網(wǎng)絡多源目標數(shù)據(jù)融合節(jié)點i處的數(shù)據(jù)輸入，表示異構網(wǎng)絡中第k層第i個節(jié)點處的能量閾值，則可得到異構網(wǎng)絡多源目標數(shù)據(jù)的采樣節(jié)點的統(tǒng)計分析模型為其中，μ表示異構網(wǎng)絡中各節(jié)點的連接權值。假設異構網(wǎng)絡采樣數(shù)據(jù)有效激活函數(shù)為f，分析異構網(wǎng)絡中多元目標數(shù)據(jù)的周期振蕩的幅值，采用語義本體融合方法[7]進行異構網(wǎng)絡中多源目標數(shù)據(jù)的三維重構，得到目標數(shù)據(jù)的分布式存儲的模糊決策函數(shù)為F=?×S f，其中，?表示模糊度系數(shù)。在異構網(wǎng)絡的輸入若干個數(shù)據(jù)層，得到在歸一化的線性子空間中，第l層中異構網(wǎng)絡多源目標數(shù)據(jù)分布函數(shù)為，其中，λ表示歸一化系數(shù)。根據(jù)上述模型構建，實現(xiàn)對目標數(shù)據(jù)的分布式存儲結構的優(yōu)化設計。

1.2 數(shù)據(jù)的多層次融合和自適應挖掘

在上述對異構網(wǎng)絡中目標數(shù)據(jù)的分布式存儲結構模型進行設計的基礎上，設ci表示異構網(wǎng)絡多源目標數(shù)據(jù)共享節(jié)點之間的模糊貼近度函數(shù)，對異構網(wǎng)絡中多源目標數(shù)據(jù)的簇內(nèi)分布信息進行提取，得到多源目標數(shù)據(jù)簇內(nèi)分布模型為C=D×ci+(S×T)η，其中，η表示自然參數(shù)，T表示充分統(tǒng)計量。在此基礎上，對異構網(wǎng)絡多源目標數(shù)據(jù)采用信息融合和模糊層析性分析方法進行信息融合和自適應調度，提取異構網(wǎng)絡多源目標數(shù)據(jù)的三維可視化特征量，則優(yōu)化的簇內(nèi)分布函數(shù)可改寫為C′=[(α×C)y]×g，其中，α為數(shù)據(jù)的多層次融合的關聯(lián)系數(shù)，y表示三維規(guī)則數(shù)據(jù)場中的對稱性體元個數(shù)，g表示自適應尋優(yōu)函數(shù)。而當C′在g存在有限穩(wěn)定解時，表示尋優(yōu)過程是收斂的，此時在異構網(wǎng)絡跟蹤識別中的目標函數(shù)為gC′，在固定擾動步長下，假設異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤識別的模糊加權值為β，通過決策函數(shù)尋優(yōu)，得到異構網(wǎng)絡多源目標數(shù)據(jù)挖掘的特征最優(yōu)解為：J=(βC′-ε)×gC′2，其中，ε為決策誤差。

綜上分析，構建數(shù)據(jù)的多層次融合和自適應挖掘模型，進行異構網(wǎng)絡多源目標數(shù)據(jù)的可視化調度和自動監(jiān)測設計，根據(jù)特征提取結果進行異構網(wǎng)絡多源目標數(shù)據(jù)的統(tǒng)計特征提取。

2 多源目標數(shù)據(jù)的融合跟蹤

2.1 多源目標數(shù)據(jù)的統(tǒng)計特征分析

在上述對異構網(wǎng)絡中的多源目標數(shù)據(jù)進行分布式存儲和融合挖掘的基礎上，本文提出基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法。采用相空間重構方法構建異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤的網(wǎng)格分布結構模型，進行異構網(wǎng)絡多源目標數(shù)據(jù)的可視化調度和自動監(jiān)測[8]，得到異構網(wǎng)絡多源目標數(shù)據(jù)的特征分布維數(shù)為m，異構網(wǎng)絡多源數(shù)據(jù)的種類屬性為r，則對所有節(jié)點存在最大獨立集Pi={mrNk|i=1,2,…,k=1,2,…,l}，初始化異構網(wǎng)絡多源目標數(shù)據(jù)分類的聚類中心e，則異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤的模糊隸屬函數(shù)為其中，ei表示異構網(wǎng)絡多源目標數(shù)據(jù)的融合的聚類中心，ρ表示異構網(wǎng)絡多源目標數(shù)據(jù)的先驗概率密度，在此基礎上，得到異構網(wǎng)絡多源目標數(shù)據(jù)的相空間重構均值為。

根據(jù)異構網(wǎng)絡的多源數(shù)據(jù)的相空間重構結果進行數(shù)據(jù)狀態(tài)特征監(jiān)測，結合統(tǒng)計特征分析方法，得到多元目標數(shù)據(jù)融合的方差為。

假設異構網(wǎng)絡多源目標數(shù)據(jù)集合中含有N個樣本，對于有限數(shù)據(jù)樣本集XN，其三維視覺特征重構的沖激響應函數(shù)為其中，f0表示初始采樣頻率。在此基礎上，采用測度特征提取方法進行異構網(wǎng)絡多源目標數(shù)據(jù)的基準特征匹配，設計異構網(wǎng)絡多源目標數(shù)據(jù)的主頻特征提取模型，實現(xiàn)多源目標數(shù)據(jù)的統(tǒng)計特征分析，得到統(tǒng)計特征量為Q=I×[(φ×q-t)N]，其中，q表示異構網(wǎng)絡多源目標數(shù)據(jù)的特征屬性，φ表示有限數(shù)據(jù)集合，t表示數(shù)據(jù)融合跟蹤的時間延遲。

2.2 數(shù)據(jù)特征提取及融合跟蹤輸出

對異構網(wǎng)絡多源目標數(shù)據(jù)采用信息融合方法進行自適應特征信息提取，采用模糊層析性分析方法進行異構網(wǎng)絡多源目標數(shù)據(jù)的多層次融合和自適應挖掘，對異構網(wǎng)絡多源目標數(shù)據(jù)采用信息融合和模糊層析性分析方法進行大數(shù)據(jù)調度[9]，則異構網(wǎng)絡多源目標數(shù)據(jù)的量化評估的規(guī)則項集為U=其中，Ei表示異構網(wǎng)絡多源目標數(shù)據(jù)輸出層第i個節(jié)點的譜輸出期望值，δ表示克羅內(nèi)克函數(shù)。

假設z表示異構網(wǎng)絡多源目標數(shù)據(jù)的測度特征集，分析異構網(wǎng)絡多源目標數(shù)據(jù)的統(tǒng)計向量維數(shù)，采用修正函數(shù)進行狀態(tài)修正，得到異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤識別的約束函數(shù)：Y=(τ×z)U，其中，τ表示異構網(wǎng)絡多源目標數(shù)據(jù)采樣的可靠性因子，是一個大于0但小于1的常數(shù)。采用模糊C均值聚類分析方法[10]得到異構網(wǎng)絡多源目標數(shù)據(jù)的融合輸出為T=(Q-U)γ×Y，其中，γ表示融合因子。假設R表示異構網(wǎng)絡多源目標數(shù)據(jù)的三維分布屬性值，通過上述分析，實現(xiàn)異構網(wǎng)絡多源目標數(shù)據(jù)的最優(yōu)融合跟蹤，輸出結果：M=(Y×T-Q)v R，其中，v表示數(shù)據(jù)節(jié)點間距離。

綜上分析，本研究在提取異構網(wǎng)絡多源目標數(shù)據(jù)關聯(lián)特征量的基礎上，實現(xiàn)了數(shù)據(jù)優(yōu)化挖掘和融合跟蹤識別。

3 仿真實驗與結果分析

為了測試上述基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法的應用性能，設計仿真實驗進行驗證。仿真實驗在Matlab環(huán)境進行，設定異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤的迭代步數(shù)為2 000，異構網(wǎng)絡多源目標數(shù)據(jù)的采樣時間間隔為0.8 s，數(shù)據(jù)采樣長度為1 000，對異構網(wǎng)絡多源目標數(shù)據(jù)進行相空間重構，重構維數(shù)為4，嵌入延遲為12 ms，對數(shù)據(jù)采樣的載波頻率為9 kHz。根據(jù)上述仿真環(huán)境和參數(shù)設定，得到異構網(wǎng)絡多源目標數(shù)據(jù)時域分布示意圖，如圖1所示。

以圖1中的數(shù)據(jù)作為初始輸入數(shù)據(jù)進行異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤，提取其中的關聯(lián)特征量，輸出的數(shù)據(jù)挖掘結果如圖2所示。

圖1 異構網(wǎng)絡多源目標數(shù)據(jù)時域分布示意圖

圖2 多源目標數(shù)據(jù)的融合跟蹤挖掘結果

由圖2可知，數(shù)據(jù)頻域分布情況較為穩(wěn)定，受采樣時間的影響較小，證明對異構網(wǎng)絡中多源目標數(shù)據(jù)的挖掘過程較為穩(wěn)定、抗干擾能力較強，初步體現(xiàn)了基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法的有效性。

為進一步測試基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法的有效性，設計如下對比實驗。將該方法與文獻[4]方法和文獻[5]方法進行對比，測試不同方法進行異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤的誤差情況，得到對比結果如表1所示。

表1 不同數(shù)據(jù)跟蹤方法的誤差對比（%）

由表1中的數(shù)據(jù)可知，隨著實驗迭代次數(shù)的不斷增加，不同目標數(shù)據(jù)跟蹤方法的跟蹤誤差也相應發(fā)生變化?；诙鄬泳矸e特征的自適應決策融合目標跟蹤方法的跟蹤誤差比融合重檢測機制的網(wǎng)絡目標數(shù)據(jù)跟蹤方法略低，但這兩種方法的跟蹤誤差始終小于所提方法。對比結果表明，基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法的融合跟蹤誤差最小，可有效實現(xiàn)對異構網(wǎng)絡中多元數(shù)據(jù)的跟蹤識別。

4 結束語

在建立異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤模型的基礎上，結合大數(shù)據(jù)挖掘和信息重構方法能夠實現(xiàn)對異構網(wǎng)絡多源目標數(shù)據(jù)的融合檢測和特征分析。本文提出基于數(shù)據(jù)挖掘的異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤方法。構建異構網(wǎng)絡多源目標數(shù)據(jù)的分布式存儲結構模型，根據(jù)特征提取結果進行異構網(wǎng)絡多源目標數(shù)據(jù)的統(tǒng)計特征分析，對異構網(wǎng)絡多源目標數(shù)據(jù)采用信息融合方法進行自適應特征信息提取，采用模糊層析性分析方法進行異構網(wǎng)絡多源目標數(shù)據(jù)的多層次融合和自適應挖掘，提取異構網(wǎng)絡多源目標數(shù)據(jù)的關聯(lián)特征量，實現(xiàn)數(shù)據(jù)優(yōu)化挖掘和融合跟蹤識別。經(jīng)實驗分析可知，采用該方法進行異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤的自適應性較好，數(shù)據(jù)采集過程抗干擾能力較強，跟蹤誤差較低，在異構網(wǎng)絡多源目標數(shù)據(jù)融合跟蹤識別中具有很好的應用價值。